随着经济社会的不断发展,生产技术的不断提高,带来了一系列的水环境问题,给饮用水处理带来了挑战。超滤作为一种新型的水处理方式,操作简单,运行稳定,应用范围日渐广泛。而超滤过程中遇到的如膜污染等问题,一直是阻碍其发展应用的巨大障碍。由于膜过滤系统中膜污染内在机理复杂,膜污染影响因素众多,使其与膜污染现象呈非线性关系,要建立精确的膜污染数学模型十分困难,这也使得有针对性的工艺参数优化难以进行。随着数据思维的出现,数据挖掘技术被广泛用于探究产品与技术之间的深层关系,为此类问题提供了新的解决方案。本文正是基于数据挖掘思想,从数据驱动的角度研究超滤膜膜污染因素,并提出一种基于数据驱动的有针对性的工艺参数优化方法。本文的研究内容,属于操作条件的优化问题,即在不改动原有设备,不干扰正常生产的前提下,充分挖掘现有相关数据监测装置潜力,有针对性地对膜法水处理工艺参数进行优化,延缓膜污染现象发生,从而达到延长膜生命周期的目的。本文在国内外学者对超滤膜膜污染研究的基础上,提出了一套基于BP人工神经网络超滤膜膜污染因素敏感性分析方法,并以某采用超滤膜作为核心工艺的给水处理厂为研究对象,建立起基于BP神经网络的膜污染预测模型,利用该模型进行膜污染因素敏感性分析,敏感性分析结果作为优化变量确定的重要依据,同时利用遗传算法对该水厂相关工艺参数进行了优化。最后研究结果表明,研究对象膜污染因素敏感性排序为:气洗流量＞水洗流量＞浊度＞操作时间＞化学洗流量＞p H值＞电导率＞COD;超滤膜系统优化后膜污染发生明显放缓,膜污染程度有效缓解,膜污染程度缓解百分比最高为115.71%,最小值为18.59%。经案例应用,本文所提出的BP神经网络与遗传算法相结合的优化模型灵活性高、泛用性强;提出的基于BP神经网络的超滤膜膜污染因素敏感性分析方法可快速、准确识别膜污染因子,具有易操作及成本低廉的优势;建立的相关模型,有助于提高水厂自动控制水平。